matlibplot 题目解答（高级编程技术 week 12）

matlibplot 相关题目

在这节课中，老师给我们讲了python中matplotlib库的用法，基于此，我完成了以下三道习题。

第一题

该题需要我们在 [0,2] [ 0 , 2 ] 这个区间内画出这个函数的图，并且增加一些适合的标签和题目。

x = np.linspace(0,2,50)
y = np.sin(x-2) * np.sin(x-2) * np.exp(-x**2)
plt.figure(1)
plt.xlabel("x")
plt.ylabel("y")
plt.ylim(-0.1, 1)
plt.title(r"$f(x) = sin^2(x-2)e^{-x^2}$")
plt.annotate('local max', xy=(0.22, 0.9), xytext=(0.13, 0.5),
            arrowprops=dict(facecolor='black', shrink=0.05))
plt.plot(x,y)
plt.show()

运行的结果可见下图

第二题

这一道题的题目可见：

在这里，题目要求我们自己给出方程的 y=Xb+z y = X b + z 各个量的值，然后使用 X X 和 y y 去反过来估计出原来的 b b 。

根据题目提示，此处为多元线性回归模型，使用最小二乘法即可，在scipy模块中有leastsq函数，可以用来寻找此种回归模型的解。于是我的代码如下：

X = np.random.normal(loc=5,scale=5,size=(20,10))
b = np.random.normal(loc=0,scale=5,size=10)
z = np.random.normal(size=20)
y = np.dot(X,b) + z

# 初始向量
b_e = np.ones(10)
print(b_e)

# 误差函数
def error(p,xxx,yyy):
    return np.dot(xxx,p)-yyy

# 最小二乘法
b_e,cost=leastsq(error,b_e,args=(X,y)) 

plt.figure(2)

plt.xlabel("index")
plt.ylabel("value")
plt.plot(b, 'rx', label="True coefficients")
plt.plot(b_e, 'b', label="Estimated coefficients")
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)
plt.axis([0,9,-10,10])
plt.hlines(0,0,9 ,colors = "c", linestyles = "dashed")
plt.show()

运行后，结果可见下图

第三题

该题题面如下：

这一道题主要要求我们掌握关于直方图的绘制以及核函数密度估计的方法。

data = np.random.normal(scale=100, size=10000)
kernel = stats.gaussian_kde(data)
full_data = np.linspace(-500,500,10000)
est_data = kernel.evaluate(full_data)
plt.figure(3)
plt.hist(data, 30, density=True)
plt.plot(full_data, est_data)
plt.show()

运行的结果可见下图：